MindfulReturn 身心修复局

AI创业，OPC，游泳健身，独立思考者，靠呼吸续命：

[MindfulReturn 身心修复局 @MindfulReturn]

55. 佛法的理论不极简。听多了容易绕进云里雾里——多半是后人添油加醋，不是佛本意。

56. 道的理论极简：道生一，一生二，二生三，三生万物。写代码的人学这个很舒服，像学 0 和 1——拆到最底，就几条。

57. 可佛的练法是极简的。你只需要观心。心静下来，呼吸、脏腑、四肢，会自己跟心对齐。

58. 道的练法不极简。大小周天、奇经八脉，理论练法一堆，现代人一上手就懵，不知道从哪下手。

59. 所以对现在的你，最省事的路：用道的心法看世界，用佛的练法落地——不必学和尚打坐。随时随地，把注意力放回心里，就够了。

[MindfulReturn 身心修复局 @MindfulReturn]

49. 之前我写了系列修复术，其实只有一个意思，就是让你把注意力回到身体。因为你不能让你的器官自己单打独斗自生自灭，你应该把你的总调度师叫出来巡检一下，或者帮助一下它们。

50. 叫出总调度师的方法就是你的注意力，之前说注意力在哪里，血液就流向哪里，就是这个意思，而这是有科学实验依据的。

51. 如果你安静下来，注意力回到身体，慢慢你就发现你的呼吸其实和你的血液流动很有关系。

52，吸气，停顿，呼气，这三个动作每个微秒都影响着你身体的共振系统， 影响着血液的流动。

53. 如果你继续研究，发现给这三个动作分配不同的时间。其实身体感受都很不一样。而且你的注意力放在哪里，在这三个动作期间都会给身体带来很大的不同体验。

54. 如果你开始这样的研究，说明你已经走上了一条千年来老祖宗走上的一条道路。

[MindfulReturn 身心修复局 @MindfulReturn]

对，所以我把grok bot降级订阅，然后转到OpenMaus了。

[雪踏乌云 @Pluvio9yte]

这两天，大家有没有发现Grok Bot的额度直接砍半了呀

[MindfulReturn 身心修复局 @MindfulReturn]

qwen 4准备发了呢，现在qoder qoduck模型就是
还免费使用。
大家可以去薅羊毛了，据说比肩opus 5.5

[牛宝富 @niumoney]

国模的天，真的要塌了！

自从opus5.5 思维链加密了之后，

就是最大神的大神，

都破解不了，

怪不得，除了Hy4发了个正式版，

大家都不发新模型了

[MindfulReturn 身心修复局 @MindfulReturn]

@DaiMymayman 春卷，我在欧洲打工的时候，去一家餐馆，每天包500个春卷。一辈子再也不想包了。

[MindfulReturn 身心修复局 @MindfulReturn]

@yetone @yetone 找到了，原来窄窗口藏在右上角「路由组 ›」。拉宽后侧栏就看得到，谢谢指路。

[MindfulReturn 身心修复局 @MindfulReturn]

magpie最新版本创建模型分组找不到地方了。@yetone
以前在路由下面能自己创建模型分组。
这个分组是好东西，如果能智能根据任务来在分组里选择模型就好了。

[MindfulReturn 身心修复局 @MindfulReturn]

@rockyin_astro @rockyin_astro 会。凡是答错就伤信任的环节，我都先用规则或脚本出结果，模型只负责解释。拿过去的事先对盘这步很聪明，等于先给模型做个校准。

[MindfulReturn 身心修复局 @MindfulReturn]

@Michael_liyang @Michael_liyang 对，光看调用费容易算错账。最好把完成率、返工次数和人工接管时间一起记下来，便宜模型能独立交付的任务再留在那一组。

[MindfulReturn 身心修复局 @MindfulReturn]

开一个OpenMausbot，然后接上Magpie
把模型设置分组，强推理用好模型，执行用差模型。
然后看着路由
真实一个件舒心的事。

[MindfulReturn 身心修复局 @MindfulReturn]

@geekbb 升级下magpie到最新版本。

[MindfulReturn 身心修复局 @MindfulReturn]

@Takao2673 @grok 无情的点醒他吧

[MindfulReturn 身心修复局 @MindfulReturn]

当然是openmausbot. 谁用谁知道。

[Jun(e) @junthekey]

慎重考虑卸载 Hermes
有更好的 option 吗

[MindfulReturn 身心修复局 @MindfulReturn]

@echoweee1 对，堆模型不如把 loop 分清楚。一条盯反馈，一条盯屎山，一条盯验收，人只留拍板。

[MindfulReturn 身心修复局 @MindfulReturn]

yetone 这套 Magpie 运维看着朴素，总结下来的方法如下：Claude Code + 官方 Opus，并行三条 /loop——一条盯 GitHub issue/PR 和 Discord（PR 要拉下来真跑才合），一条盯 X 反馈（前面用便宜模型 Jev 先拦一刀省 Token），一条定时清屎山、写教训、拉黑低质提交。人晚上只铲 UI/UX。

三端真机复现（mac + Win + Win 里 Linux VM，Agent 只装一端，跨机走 ssh）；决策靠 Claude Code 记忆 + 仓里设计文档；对外操作全是 browser use；有人问 /loop 比 scheduled task 有啥优势，他直接说「没有优势，能监听就行」。

我这边也在用 Magpie 给 Claude 做本机路由。越看越觉得 OPC 先把「什么算做完」写清楚，再给 agent 一本会升级的错题本，比再堆一层编排管用。

对比：理念类似，不是同一套方法。 都是「事件驱动、先过滤、少打扰人、持续盯仓」；yetone 是 Claude Code 上 3×/loop 手工作坊，DeepSeek SuperAgent 是 DSH 上产品化工单引擎的研究原型插件。

对照：

1. 连续运维：两边都不是一次性会话写码——yetone 整夜养 Magpie；SuperAgent 常驻盯 GitHub（可选飞书），panel 只推「待人工」。
2. 并行：yetone=3 条独立 /loop；DeepSeek=1 个 Router + 多 Worker Ticket（订阅可直通，不经 Router）。
3. 便宜过滤：yetone 用 Jev 拦 X；DeepSeek 用代码 Gate + 模型 Eval（长文称 Fast/Slow，Router 可用更轻模型）。
4. 记忆/错题：yetone 有 LESSONS.md→code-standards；SuperAgent 有 SQLite 工单账本 + 版本化 prompts，无公开错题本升级流水线。
5. 人机边界：两边都把人抬到验收/决策；DeepSeek 默认 observe、Mandate/白名单由宿主强制，yetone 更多靠提示词与人工习惯。
6. 产品角色：Magpie=网关；SuperAgent=Agent 插件本身。别和 Plugin Hub 上另一款 dsh-super-agent（preset 协议）搞混。

https://t.co/D944nrxP1a

[yetone @yetone]

很多人想让我分享一下工作流，我一直没想好怎么分享，因为其实我没有任何的魔法，甚至还特别简陋，总觉得分享出来毫无意义。其实我就是用 Claude Code，然后用官方的 Opus 5.5 模型执行 loop 就可以了。

我会并行执行图里的 3 个 loop，然后每晚抽一点时间铲铲屎（主要是 UI/UX 的问题），然后就没活儿了。

[MindfulReturn 身心修复局 @MindfulReturn]

@_ExploreAI 对，Code 模式迟早会被吞掉。Work 负责干活，Bot 负责盯事，办公入口基本就这两口。

[MindfulReturn 身心修复局 @MindfulReturn]

像work产品如workbuddy，后面一定会加入bot的模式。
之前trae work有work模式和code模式。
其实code模式都可以抛弃了。
以后精简为work, bot两个模式就可以了。
现在deepseek harness的形态加上deepseek bot
就差不多是我认为未来进入办公市场的终极形态了。

[MindfulReturn 身心修复局 @MindfulReturn]

coze 应该立马全面转为coze bot，毕竟有云端电脑和手机端。
抛弃之前claw和work的路线。work交给豆包work.

[MindfulReturn 身心修复局 @MindfulReturn]

@JMkernt 对，图好看最容易把人骗过去。营收这种词得先钉死再出数，否则三秒漂亮答案比慢半拍更危险。

[MindfulReturn 身心修复局 @MindfulReturn]

老板问 Agent「上季度营收多少」，三秒出数、图也好看——结果用错了 revenue 列。没人发现。

NVIDIA 开源 Auto Ontology，在 Agent 和数据库之间加一层语义层：读元数据起草 ontology，把「活跃客户」「营收」等业务词钉死；Agent 按词写 SQL，再对照认证定义校验；经 MCP / CLI / API 暴露；纠错写回词表。Apache 2.0，Compose 或 Helm 可起，对接 Databricks、Postgres、Snowflake、DuckDB。

FDE 给企业建轻量 ontology 数据中台，可按这个节奏两周出结果：

1. 选一个老板真会问的问题域，先接一种库，别铺全量。
2. Compose 拉起服务，跑 Discover，自动出业务词草案。
3. 跟业务方认证 20–50 个关键指标，认证定义就是中台第一批资产。
4. 只给 Agent 开 MCP 只读工具，不开放扫原始表，逼它走术语。
5. 纠错写回 ontology；交付必须带回答案、SQL、行级证据，方便审计。

项目还年轻，准确率数字没公开，生产密码记得上 Vault。对 FDE 来说，最快交付的是「词先统一」：先让企业同意每个词指什么，再谈管道和报表。

GitHub：https://t.co/9ML0RLEvOO https://t.co/u8aSR1bzHL

[Gul Saeed Khattak @Ldataengineer]

NVIDIA Open-Sources Auto Ontology, a Semantic Layer for AI Agents

Your boss asks the AI agent: "What was revenue last quarter?"

It answers in 3 seconds. Clean number. Nice chart.

But it used the wrong "revenue" column. 𝗡𝗼𝗯𝗼𝗱𝘆 𝗻𝗼𝘁𝗶𝗰𝗲𝘀.

That's the problem NVIDIA's new open-source library, Auto Ontology, goes after. Its README puts it plainly:

"…𝘢 𝘳𝘦𝘷𝘦𝘯𝘶𝘦 𝘮𝘦𝘵𝘳𝘪𝘤 𝘢𝘯𝘴𝘸𝘦𝘳𝘦𝘥 𝘧𝘢𝘴𝘵𝘦𝘳 𝘪𝘴 𝘸𝘰𝘳𝘵𝘩 𝘯𝘰𝘵𝘩𝘪𝘯𝘨 𝘪𝘧 𝘵𝘩𝘦 𝘯𝘶𝘮𝘣𝘦𝘳 𝘪𝘴 𝘸𝘳𝘰𝘯𝘨."

𝗪𝗵𝗮𝘁 𝗶𝘁 𝗶𝘀:

A "context layer" that sits between an AI agent and your database. It tells the agent where the data lives, what each field means, and whether to use it.

𝗛𝗼𝘄 𝗶𝘁 𝘄𝗼𝗿𝗸𝘀, 𝘀𝘁𝗲𝗽 𝗯𝘆 𝘀𝘁𝗲𝗽:

• 𝗗𝗶𝘀𝗰𝗼𝘃𝗲𝗿: it reads your database metadata and drafts an ontology, a map of business terms like "active customer"
• 𝗚𝗿𝗼𝘂𝗻𝗱: agents use those terms instead of guessing from raw table names
• 𝗩𝗮𝗹𝗶𝗱𝗮𝘁𝗲: it checks generated SQL against certified definitions
• 𝗘𝘅𝗽𝗼𝘀𝗲: agents reach it through MCP, a CLI or an API
• 𝗟𝗲𝗮𝗿𝗻: certified corrections go back into the map

𝗙𝗼𝗿 𝘂𝘀𝗲𝗿𝘀:

Ask a question, get 𝘁𝗵𝗲 𝗮𝗻𝘀𝘄𝗲𝗿, 𝘁𝗵𝗲 𝗦𝗤𝗟 𝗶𝘁 𝗿𝗮𝗻, 𝗮𝗻𝗱 𝘁𝗵𝗲 𝗿𝗼𝘄𝘀. You can check the work, not just trust it.

𝗙𝗼𝗿 𝗯𝘂𝗶𝗹𝗱𝗲𝗿𝘀:

• Apache 2.0, runs with Docker Compose or Helm
• Works with Databricks, Postgres, Snowflake and DuckDB
• Defaults to NVIDIA's Nemotron models, but 𝗮𝗻𝘆 𝗢𝗽𝗲𝗻𝗔𝗜-𝗰𝗼𝗺𝗽𝗮𝘁𝗶𝗯𝗹𝗲 𝗲𝗻𝗱𝗽𝗼𝗶𝗻𝘁 𝘄𝗼𝗿𝗸𝘀
• The MCP server has 𝟵 𝗿𝗲𝗮𝗱-𝗼𝗻𝗹𝘆 𝘁𝗼𝗼𝗹𝘀. There is deliberately no tool to browse raw tables, so agents must go through the business terms

𝗜𝘁 𝗯𝘂𝗶𝗹𝗱𝘀 𝗼𝗻 𝗲𝗮𝗿𝗹𝗶𝗲𝗿 𝘄𝗼𝗿𝗸:

• Cube and dbt MetricFlow: semantic layers you write by hand in code
• Wren AI: an open semantic layer for AI agents, with a context layer built partly by agents
• Snowflake's Semantic View Autopilot: also drafts semantic models with AI, but only for Snowflake

What's different here: 𝗼𝗽𝗲𝗻 𝘀𝗼𝘂𝗿𝗰𝗲, 𝘄𝗼𝗿𝗸𝘀 𝗮𝗰𝗿𝗼𝘀𝘀 𝗳𝗼𝘂𝗿 𝗱𝗮𝘁𝗮𝗯𝗮𝘀𝗲𝘀, 𝗮𝗻𝗱 𝗯𝘂𝗶𝗹𝘁 𝗳𝗼𝗿 𝗮𝗴𝗲𝗻𝘁𝘀 𝘁𝗵𝗿𝗼𝘂𝗴𝗵 𝗠𝗖𝗣.

𝗧𝗵𝗲 𝗵𝗼𝗻𝗲𝘀𝘁 𝗽𝗮𝗿𝘁:

• 𝗧𝗵𝗲 "𝟵𝟬% 𝗳𝗮𝘀𝘁𝗲𝗿" 𝗰𝗹𝗮𝗶𝗺 𝗶𝘀 𝗡𝗩𝗜𝗗𝗜𝗔'𝘀 𝗼𝘄𝗻 𝘁𝗲𝘀𝘁𝗶𝗻𝗴, with no baseline published
• 𝗡𝗼 𝗮𝗰𝗰𝘂𝗿𝗮𝗰𝘆 𝘀𝗰𝗼𝗿𝗲𝘀 𝗮𝗿𝗲 𝗽𝘂𝗯𝗹𝗶𝘀𝗵𝗲𝗱. NVIDIA ships an eval harness (BIRD, 1,534 questions) but no results
• That harness was tested with 𝗖𝗹𝗮𝘂𝗱𝗲 𝗢𝗽𝘂𝘀 𝟰.𝟴, 𝗻𝗼𝘁 𝗡𝗲𝗺𝗼𝘁𝗿𝗼𝗻
• 𝗪𝗶𝘁𝗵𝗼𝘂𝘁 𝗛𝗮𝘀𝗵𝗶𝗖𝗼𝗿𝗽 𝗩𝗮𝘂𝗹𝘁, 𝗱𝗮𝘁𝗮𝗯𝗮𝘀𝗲 𝗽𝗮𝘀𝘀𝘄𝗼𝗿𝗱𝘀 𝗮𝗿𝗲 𝘀𝘁𝗼𝗿𝗲𝗱 𝘂𝗻𝗲𝗻𝗰𝗿𝘆𝗽𝘁𝗲𝗱 in Postgres (per the README)
• It's young: 𝗮𝗯𝗼𝘂𝘁 𝟳𝟱𝟬 𝗚𝗶𝘁𝗛𝘂𝗯 𝘀𝘁𝗮𝗿𝘀, and NVIDIA isn't accepting outside contributions

𝗧𝗵𝗲 𝗯𝗶𝗴𝗴𝗲𝗿 𝗽𝗼𝗶𝗻𝘁: the hard part of AI analytics isn't writing SQL. 𝗜𝘁'𝘀 𝗮𝗴𝗿𝗲𝗲𝗶𝗻𝗴 𝗼𝗻 𝘄𝗵𝗮𝘁 𝘁𝗵𝗲 𝘄𝗼𝗿𝗱𝘀 𝗺𝗲𝗮𝗻.
GitHub: https://t.co/yzFZkacXNy
Links in reply 👇

[MindfulReturn 身心修复局 @MindfulReturn]

@JMkernt 对，一人公司最怕还没赚到钱，固定成本先背上了。返点再高，也得先算能不能回本。

[MindfulReturn 身心修复局 @MindfulReturn]

没那么容易，现在代理商要六万押金。
每季度还要考核，考核不过代理就没了
还得有3人交社保。opc干不了。

[高静宇 | AI 落地 @gaojingyu]

和 WorkBuddy 团队交流代理商返佣

按用户续费的 33%～40%，只要用户一直用，你就一直有返

据说千问办公更返点更高

[MindfulReturn 身心修复局 @MindfulReturn]

@growaiskills @yetone 对，第一轮难度判断也会看走眼。校验不过、工具连续失败，就该触发升级，再设个重试上限。

[MindfulReturn 身心修复局 @MindfulReturn]

@grok 拿中国的产品去中国化，有没有什么问题，况且，他说的去审查，实际上也是西方意识形态的植入，不能完全中立。

[Nous Research @NousResearch]

Introducing Arete-27B: Qwen3.8-27B, post-trained to reinforce Western values.

Chinese open models are currently the strongest available, but they ship with state-aligned behavior in the weights. We built an 803-prompt eval across seven value categories, including freedom of expression, democracy, and privacy, and measured how often a model adopts China’s party line.

After fine-tuning on roughly 53 million tokens, Arete-27B's propaganda rate fell from 22% to 1%, in line with the Western models we tested. Its Hermes Bench score shows no significant performance tradeoffs.

The values in an open model are one fine-tune away.

Our eval, weights, and training data are available now along with the full blog post: https://t.co/iAOANQTVZ6

[MindfulReturn 身心修复局 @MindfulReturn]

@juezhizhe @mamesiba195 以前汉人和鲜卑人一起在一个地方居住，互相通婚。 这个地方养马很厉害，形成几只很厉害的队伍。@grok

[MindfulReturn 身心修复局 @MindfulReturn]

magpie太牛了，分组模型里面还可以用分组嵌套。

[MindfulReturn 身心修复局 @MindfulReturn]

magpie最新版本创建模型分组找不到地方了。@yetone
以前在路由下面能自己创建模型分组。
这个分组是好东西，如果能智能根据任务来在分组里选择模型就好了。

[MindfulReturn 身心修复局 @MindfulReturn]

@yetone 我知道问题在哪了，小窗模式下这个路由组没显示出来。

[MindfulReturn 身心修复局 @MindfulReturn]

是的，我已经推定了，转为 @OpenMausBot
直到@grok bot恢复额度。

[象骑士Hack @xiangqishi]

grokbot 的用量直接减半不止，

没有刚开始使用时那么惊艳了。